Alerte précoce aux glissements de terrain
Améliorer l’alerte précoce aux glissements de terrain grâce aux données d’humidité du sol
Expérience
Anas, gestionnaire de plus de 32 000 kilomètres de routes et d’autoroutes en Italie, a lancé un appel à solutions innovantes dans le cadre du projet Smart Road Belluno-Cortina, la première Smart Road d’Italie et un axe d’accès clé aux Jeux olympiques d’hiver 2026. L’initiative visait à identifier et surveiller les facteurs extérieurs à la chaussée qui, bien que moins maîtrisés, ont un impact important sur la circulation et la sécurité.
Dans le cadre de ce projet, Finapp a mené une preuve de concept de trois ans (de 2022 à 2025) le long de la route SS51 Alemagna. Sur les tronçons critiques de la route, Finapp a installé des sondes CRNS qui utilisent les rayons cosmiques pour mesurer l’humidité du sol à grande échelle, en profondeur et en temps réel.
Les systèmes traditionnels d’alerte précoce aux glissements de terrain reposent principalement sur des seuils de précipitations. Or, la pluie seule n’explique pas entièrement l’instabilité des versants : l’état du sol joue un rôle déterminant, et les modèles fondés sur les précipitations génèrent souvent de fausses alertes ou ne détectent pas des événements critiques.
L’objectif de cette collaboration était de déterminer si l’intégration de l’humidité du sol mesurée dans les modèles de prévision permettait des prévisions plus précises, une alerte précoce spécifique aux zones de glissement connues et une meilleure allocation des ressources opérationnelles.
Utilisation
Dans un premier temps, Finapp a analysé un historique de 17 glissements de terrain, en comparant des modèles prédictifs fondés uniquement sur les précipitations à des modèles combinant précipitations et humidité du sol simulée. L’ajout de l’humidité du sol a amélioré la précision des prévisions d’environ 15 %, confirmant que l’humidité du sol est une variable clé pour les glissements de terrain meubles.
Les modèles ont ensuite été validés sur le terrain dans la zone de Fadalto (Belluno), caractérisée par des glissements de type détritique. Des sondes Finapp y ont été installées et suivies dans le temps, et 4 glissements de terrain se sont produits pendant la période d’observation.
Par rapport aux modèles utilisant une humidité du sol simulée, le modèle combinant précipitations et mesures d’humidité du sol Finapp a amélioré les performances prédictives de 4,6 % et réduit les fausses alertes de 48 %, un résultat décisif pour la gestion opérationnelle.
Par rapport aux modèles fondés uniquement sur les précipitations, l’ajout de l’humidité du sol Finapp a amélioré les prévisions d’environ 5,5 % et augmenté de 25 % le taux de détection correcte. Davantage d’événements réels sont correctement identifiés, et moins de glissements passent inaperçus.
Ces résultats ont directement orienté le développement de Fin4Earth, la plateforme web de Finapp pour l’alerte précoce aux glissements de terrain, aux feux de forêt et aux inondations. Fin4Earth intègre les données réelles d’humidité du sol des sondes Finapp dans les modèles conventionnels et définit des seuils de risque personnalisés selon les caractéristiques et l’historique de chaque site. En combinant les prévisions météorologiques locales avec des algorithmes d’intelligence artificielle propriétaires, la plateforme projette le risque jusqu’à 72 heures à l’avance.
Pour Anas, cela ouvre la possibilité d’optimiser le déploiement des équipes et du matériel, de renforcer la sécurité des infrastructures et d’évoluer vers une gestion proactive des risques.
“Le travail réalisé par Finapp a été de grande qualité et a démontré que la mesure de l'humidité du sol avec leurs sondes peut améliorer efficacement les systèmes d'alerte précoce. Nous évaluons désormais l'extension de cette solution à d'autres zones en Italie.”
Avantages
- Meilleure prévisibilité des glissements de terrain, avec une précision supérieure d’environ 15 % pour les glissements de terrain meubles
- 48 % de fausses alertes en moins par rapport aux modèles fondés sur une humidité du sol simulée
- Taux de détection correcte supérieur de 25 % par rapport aux modèles fondés uniquement sur les précipitations
- Suivi continu de l’humidité du sol à grande échelle, en profondeur et en temps réel
- Alerte précoce spécifique à chaque zone de glissement
- Prévisions du risque jusqu’à 72 heures à l’avance avec Fin4Earth
- Meilleure allocation des équipes et du matériel
- Sécurité routière accrue et gestion proactive des risques
